一种粒子群自抗扰控制方法、装置及存储介质与流程

本发明主要涉及自抗扰控制领域技术领域，具体涉及一种粒子群自抗扰控制方法、装置及存储介质。

背景技术：

随着时代的发展，在控制系统逐渐复杂，控制难度提高，使得经典的pid自抗扰控制算法开始渐渐显现出不足之处，而一些新的控制算法其参数多，算法复杂度较高，使得自抗扰控制在参数选择上需要花费大量时间，且不容易求出较优解。

技术实现要素：

本发明所要解决的技术问题是针对现有技术的不足，提供一种粒子群自抗扰控制方法、装置及存储介质。

本发明解决上述技术问题的技术方案如下：一种粒子群自抗扰控制方法，包括如下步骤：

根据自抗扰算法确定被控对象的多个状态参数。

根据双空间pso粒子群优化算法对所述多个可调参数进行整定处理，得到第一级寻优参数。

根据局部势能寻优算法对所述第一级寻优参数进行寻优处理，得到第二级寻优参数。

将所述第二级寻优参数输入adrc最优自抗扰算法中进行参数更新，通过参数更新后的adrc最优自抗扰算法控制所述被控对象。

本发明解决上述技术问题的另一技术方案如下：一种粒子群自抗扰控制装置，包括：

参数确定模块，用于根据自抗扰算法确定被控对象的多个状态参数。

第一级寻优模块，用于根据双空间pso粒子群优化算法对所述多个可调参数进行整定处理，得到第一级寻优参数。

第二级寻优模块，用于根据局部势能寻优算法对所述第一级寻优参数进行寻优处理，得到第二级寻优参数。

控制模块，用于将所述第二级寻优参数输入adrc最优自抗扰算法中进行参数更新，通过参数更新后的adrc最优自抗扰算法控制所述被控对象。

本发明解决上述技术问题的另一技术方案如下：一种粒子群自抗扰控制装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如所述的粒子群自抗扰控制方法。

本发明解决上述技术问题的另一技术方案如下：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如所述的粒子群自抗扰控制方法。

本发明的有益效果是：利用自抗扰算法来确定被控对象的多个状态参数，减少无意义的参数参与，降低控制算法的复杂程度，提高运行速度，利用双空间pso粒子群优化算法和局部势能寻优算法优化处理可调参数，使可调参数精确化，得到最优解，从而通过最优解来控制被控对象，提高控制精准度。

附图说明

图1为本发明一实施例提供的粒子群自抗扰控制方法的方法流程图；

图2为本发明一实施例提供的粒子群自抗扰控制装置的模块框图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

图1为本发明一实施例提供的粒子群自抗扰控制方法的方法流程图。

如图1所示，一种粒子群自抗扰控制方法，包括如下步骤：

根据自抗扰算法确定被控对象的多个状态参数。

根据双空间pso粒子群优化算法对所述多个可调参数进行整定处理，得到第一级寻优参数。

根据局部势能寻优算法对所述第一级寻优参数进行寻优处理，得到第二级寻优参数。

将所述第二级寻优参数输入adrc最优自抗扰算法中进行参数更新，通过参数更新后的adrc最优自抗扰算法控制所述被控对象。

上述实施例中，利用自抗扰算法来确定被控对象的多个状态参数，减少无意义的参数参与，降低控制算法的复杂程度，提高运行速度，利用双空间pso粒子群优化算法和局部势能寻优算法优化处理可调参数，使可调参数精确化，得到最优解，从而通过最优解来控制被控对象，提高控制精准度。

可选地，作为本发明的一个实施例，所述自抗扰算法包括eso扩展状态观测器和nlsef非线性控制律。

所述根据自抗扰算法确定被控对象的多个状态参数包括：

根据所述eso扩展状态观测器确定被控对象的运动状态参数b1、b2和b3。

根据所述nlsef非线性控制律确定被控对象的控制率参数k1和k2。

具体地，自抗扰控制算法由三个部分组成，快速微分跟踪器(td)、扩展状态观测器(eso)和非线性控制律(nlsef)。

下式表示快速微分跟踪器(td)，其用于安排过度过程，

其中fhan函数为

其中，sign函数为取符号函数，快速微分跟踪器(td)中vin为信号输入，v1、v2为信号输出。

快速微分跟踪器(td)中参数为r、h，分成是快速因子和积分步长，其中r根据需要的跟踪效果设定为定值，h为积分步长与控制时间间隔一致。

下式表示扩展状态观测器(eso)，其用于观测被控对象的状态，

其中，fal函数如下所示

扩展状态观测器(eso)中，u，y为输入，z1，z2，z3为输出，b1，b2，b3为需要整定的参数。

非线性控制律(nlsef)，算法如下，得出对被控对象的控制率

u＝k1fal(e1，α1，σ1)+k2fal(e2，α2，σ2)-z3/b

其中fal函数同扩展状态观测器。

非线性控制律(nlsef)中，e1，e2为输入，u为输出，k1，k2为需要整定的参数。

综上所述，输入adrc最优自抗扰算法中的待整定参数为非线性控制律中k1，k2，和扩展状态观测器中b1，b2，b3。

上述实施例中，通过自抗扰算法的eso扩展状态观测器和nlsef非线性控制律确定多个有用的状态参数，即b1、b2、b3、k1和k2为adrc最优自抗扰算法中需要的可调参数，能够降低控制算法的复杂程度，提高运行速度。

可选地，作为本发明的一个实施例，所述根据双空间pso粒子群优化算法对所述多个可调参数进行整定处理，得到第一级寻优参数包括：

构建粒子群的二维空间和三维空间，将所述控制律参数k1和k2划分至所述二维空间中，将所述运动状态参数b1、b2和b3划分至所述三维空间中。

设fit1为二维空间粒子群的适应度，设fit2为三维空间粒子群的适应度，根据第一公式交叉计算所述二维空间和所述三维空间中粒子群的适应度，所述第一公式为：

其中，fitness为适应度计算函数，g1(i)为所述二维空间的第i粒子，g2(j)为所述三维空间的第j粒子，pg1为所述二维空间的粒子群当前搜索到的最优位置，pg2为所述三维空间的粒子群当前搜索到的最优位置。

下面介绍传统的双空间pso算法的形成过程。

双空间pso算法速度与位置更新公式如下：

其中，k为迭代次数，gi为第i个粒子，d为每个粒子的维度，pi为粒子当前搜索到的最后位置，pg为整个粒子群当前搜索到的最优位置，vid为每个粒子移动的速度向量，c1，c2为粒子的学习因子，常规取值为2，w为粒子惯性权重，常规取值为0.6，r1、r2为0到1之间的随机数。

现在有五个需要整定的参数，即b1、b2、b3、k1和k2，在pso算法中维度d取值为5，但是b1、b2、b3、k1和k2在参数的选择上是有着数量级的差异的，而且b1、b2和b3的数值一般在千级或者万级，如果采用一个五维度的pso寻优在粒子群的数量和迭代次数就要有一定大的量，这样在寻优速度和计算量上就会花费很多的时间。

改进的双空间pso粒子群优化算法是将这个五个参数，分别规划到两个空间中去：k1和k1，为一个二维度空间，b1、b2和b3为三维度一个空间，分别在两个空间初始化两组粒子群。

上述实施例中，用两个空间较少的种群数量，用交叉计算的方式，可以达到原先单独空间较多种群数量寻优的效果，并加快了收敛速度。

可选地，作为本发明的一个实施例，所述根据局部势能寻优算法对所述第一级寻优参数进行寻优处理，得到第二级寻优参数包括：

将所述第一级寻优参数分别初始化所述二维空间中的粒子群和所述三维空间中的粒子群。

交叉计算更新后的二维空间中粒子群和更新后的三维空间中粒子群的适应度。

通过第二公式分别对所述更新后的二维空间中粒子群和所述更新后的三维空间中粒子群进行寻优处理，所述第二公式为：

其中，vn为粒子群中每个粒子移动的速度向量，k为迭代次数，gn为种群，n为粒子群的种群数量，r为0到1之间的随机数，vmaxn为种群速度向量的上限，vminn为种群速度向量的下限，gb为粒子群当前搜索到的最优位置。

具体地，把适应度看做重力势能，而把gb看做小球，这样就相当于小球滚落到势能最低的区域。该算法十分容易陷入局部最优解，而且无法跳出，因此称作局部势能寻优算法。由于双空间pso粒子群优化算法已经得到了最优解附近的较优解，即第一级寻优参数，因此在这作为第二级的精确寻优，寻找最优解，得到第二级寻优参数。

上述实施例中，在双空间pso粒子群优化算法后级联局部势能寻优算法能够使不够精确的第一级寻优参数进一步精确化，得到最优解，便于adrc最优自抗扰算法更精准的控制被控对象。

可选地，作为本发明的另一个实施例，如图2所示，一种粒子群自抗扰控制装置，包括：

参数确定模块，用于根据自抗扰算法确定被控对象的多个状态参数。

第一级寻优模块，用于根据双空间pso粒子群优化算法对所述多个可调参数进行整定处理，得到第一级寻优参数。

第二级寻优模块，用于根据局部势能寻优算法对所述第一级寻优参数进行寻优处理，得到第二级寻优参数。

控制模块，用于将所述第二级寻优参数输入adrc最优自抗扰算法中进行参数更新，通过参数更新后的adrc最优自抗扰算法控制所述被控对象。

可选地，作为本发明的一个实施例，所述参数确定模块具体用于：

所述根据自抗扰算法确定被控对象的多个状态参数包括：

根据所述eso扩展状态观测器确定被控对象的运动状态参数b1、b2和b3。

根据所述nlsef非线性控制律确定被控对象的控制率参数k1和k2。

可选地，作为本发明的一个实施例，所述第一级寻优模块具体用于：

构建粒子群的二维空间和三维空间，将所述控制律参数k1和k2划分至所述二维空间中，将所述运动状态参数b1、b2和b3划分至所述三维空间中。

设fit1为二维空间粒子群的适应度，设fit2为三维空间粒子群的适应度，根据第一公式交叉计算所述二维空间和所述三维空间中粒子群的适应度，所述第一公式为：

其中，fitness为适应度计算函数，g1(i)为所述二维空间的第i粒子，g2(j)为所述三维空间的第j粒子，pg1为所述二维空间当前搜索到的粒子群的最优位置，pg2为所述三维空间的粒子群当前搜索到的最优位置。

可选地，作为本发明的一个实施例，所述第二级寻优模块具体用于：

将所述第一级寻优参数分别初始化所述二维空间中的粒子群和所述三维空间中的粒子群。

交叉计算更新后的二维空间中粒子群和更新后的三维空间中粒子群的适应度；

通过第二公式分别对所述更新后的二维空间中粒子群和所述更新后的三维空间中粒子群进行寻优处理，所述第二公式为：

其中，vn为粒子群中每个粒子移动的速度向量，k为迭代次数，gn为种群，n为粒子群的种群数量，r为0到1之间的随机数，vmaxn为种群速度向量的上限，vminn为种群速度向量的下限，gb为粒子群当前搜索到的最优位置。

可选地，作为本发明的另一个实施例，一种粒子群自抗扰控制装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如所述的粒子群自抗扰控制方法。

可选地，作为本发明的另一个实施例，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如所述的粒子群自抗扰控制方法。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。